教育

建構與您的課程對齊的自訂 AI 輔導員和教育助手

The Challenge

從 K-12 學區到研究型大學，各級教育機構都承受著大規模個人化學習的壓力。自適應輔導、自動化評分、課程推薦和內容生成都能從 AI 中受益，但模型需要理解機構的特定課程、教學方法和評量標準。通用語言模型產出的解釋聽起來合理但往往不正確，與年級水平期望不符，且缺乏對特定課程大綱或機構學習成果的認知。

學生資料隱私增加了一個艱鉅的限制。FERPA 對教育記錄的處理方式施加了嚴格要求，家長、學生和教職人員對將學生互動資料發送到第三方雲端 AI 供應商越來越持懷疑態度。許多學區已完全禁止向外部傳輸學生資料的商業 AI 工具。希望將 AI 用於評分輔助或輔導的機構必須找到一種方法，在自己的系統內保留學生資料，同時仍能享受現代語言模型的好處。

The Solution

Ertas 為教育機構提供完整的管線，用於建構課程感知的 AI 模型，完全在其自有基礎設施內運行。透過 Ertas Studio，教學設計師和教育科技團隊可以在機構特定內容上微調基礎模型——課程教材、歷年考題、評分量規和去識別化的學生互動日誌——使用 LoRA 適配器進行高效訓練。產出的模型以現成模型無法匹配的方式理解機構的術語、評量標準和教學風格。

部署在本地或機構的私有雲中進行。Ertas Cloud 在與現有 LMS 平台整合的同時提供私有推論端點，Ertas Vault 確保所有訓練資料和學生互動日誌都經過加密、存取控制，且僅按機構政策要求的時間保留。教職人員和管理人員獲得 AI 驅動的工具——自適應練習題產生器、自動化初審評分和個人化學習推薦——而無需將學生記錄暴露給外部服務。

Key Features

Studio

課程感知微調

使用 Studio 的視覺化畫布，在課程內容、評量量規、問答配對和教學指南的 JSONL 資料集上微調模型。LoRA 適配器讓您建立學科專用模型——一個用於基礎生物學，另一個用於 AP 微積分——無需完整重新訓練的成本。

Hub

教育模型庫

在 Hub 瀏覽社群貢獻的教育基礎模型和適配器——包括在開放教科書語料庫、科學推理資料集和多語言教育內容上預訓練的模型——加速您機構的微調工作。

Cloud

LMS 整合端點

將微調模型部署為直接與 Canvas、Moodle、Blackboard 或自訂 LMS 平台整合的私有 Cloud 端點。端點在您機構的網路內運行，保持所有學生互動資料在本地且可供稽核。

Vault

FERPA 對齊資料保護

Vault 在靜態和傳輸中加密所有訓練資料和推論日誌，為教職人員、工作人員和管理人員強制執行角色型存取控制，並提供符合 FERPA 和機構資料治理要求的可設定保留政策。

Example Workflow

一所大型大學的線上學習團隊希望為其每學期招收 2,000 名學生的電腦科學導論課程提供自適應輔導。團隊從課程論壇匯出 15,000 個去識別化的學生問答互動，連同完整的課程教科書和作業量規，作為 JSONL 資料集上傳至 Ertas Vault。在 Ertas Studio 中，他們從 Hub 選擇 Phi-3 基礎模型，微調一個針對蘇格拉底式輔導的 LoRA 適配器——訓練模型透過提問引導學生找到答案，而非直接提供解答。經過兩小時的訓練，模型透過 Ertas Cloud 作為私有端點部署在大學的資料中心內，並連接到課程的 Moodle 實例。學生透過熟悉的 LMS 介面與 AI 輔導員互動，獲得與課程特定課程和評分量規對齊的個人化提示和解釋。所有互動資料保留在大學基礎設施內，教學團隊可以透過 Vault 的稽核儀表板審查彙總使用分析，而不暴露個別學生記錄。